章节介绍
实现一个刷脸识别
输入一张图片，找到图片中的人脸，识别这个是哪一个人。
案例代码简单 人工网络层级低。 隐层只有一层。
综合: 样本收集 + 图像预处理 + TensorFlow神经网络
- python爬虫
- opencv预处理
- TensorFlow神经网络 CNN
每个item都有code，避免侵权。python 方法。
- 视频-> FFmpeg opencv
图片预处理，刷脸功能，提取人脸(haar + Adaboost) 样本
cnn卷积神经网络。 yale开源识别库。
爬虫获取样本
# 'https://class.imooc.com/?c=ios&mc_marking=286b51b2a8e40915ea9023c821882e74&mc_channel=L5
# 爬虫 1 理解爬虫原理 2 实现一个的图片爬虫
# 1 http 2 html 3 正则 过滤条件 4 其它
# 知识点多
# 1 url 2 html src 3 img 4 img url下载图片
import urllib
# import urllib3
import os
from bs4 import BeautifulSoup
# load url
html = urllib.request.urlopen('https://class.imooc.com/?c=ios&mc_marking=286b51b2a8e40915ea9023c821882e74&mc_channel=L5').read()
# parse url data 1 html 2 'html.parser' 3 'utf-8'
soup = BeautifulSoup(html,'html.parser',from_encoding='utf-8')
# img
images = soup.findAll('img')
print(images)
imageName = 0
for image in images:
link = image.get('src')
print('link=',link)
link = 'http:'+link
fileFormat = link[-3:]
if fileFormat == 'png' or fileFormat == 'jpg':
fileSavePath = './img/'+str(imageName)+'.jpg'
imageName = imageName +1
urllib.request.urlretrieve(link,fileSavePath)
FFmpeg初识
# python 爬虫 # ffmpeg
# 样本采集车 -》路段-〉视频
# opencv 视频 本质-》ffmpeg
# 是什么？软件
# 文件格式 编解码 剪切 录制 提取 裁剪 复用
# 信息 ffmpeg -i 1.mp4
# 视频分解图片 ffmpeg -i 1.mp4 image%d.jpg
mac下安装ffmpeg
brew install ffmpeg
ffmpeg -i 1.mp4
mark
mark
分解图片
ffmpeg -i 1.mp4 image%d.jpg
mark
除过命令行，我们还可以通过api调用的方式。
opencv预处理
将检测到的人脸裁剪下来。
# 1 load xml 2 load jpg 3 haar gray 4 detect 5 draw
import cv2
import numpy as np
# load xml 1 file name
face_xml = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
eye_xml = cv2.CascadeClassifier('haarcascade_eye.xml')
# load jpg
img = cv2.imread('face.jpg')
cv2.imshow('src',img)
# haar gray
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
# detect faces 1 data 2 scale 3 5
faces = face_xml.detectMultiScale(gray,1.3,5)
print('face=',len(faces))
# draw
index = 0
for (x,y,w,h) in faces:
cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)
roi_face = gray[y:y+h,x:x+w]
roi_color = img[y:y+h,x:x+w]
fileName = str(index)+'.jpg'
cv2.imwrite(fileName,roi_color)
index = index + 1
# 1 gray
eyes = eye_xml.detectMultiScale(roi_face)
print('eye=',len(eyes))
for (e_x,e_y,e_w,e_h) in eyes:
cv2.rectangle(roi_color,(e_x,e_y),(e_x+e_w,e_y+e_h),(0,255,0),2)
cv2.imshow('dst',img)
cv2.waitKey(0)
某个人脸识别
数据yale加载进入， 准备label标签 组成训练数据
卷积神经网络 检测人脸。
# 1 数据yale 2 准备train label-》train
# 3 cnn 4 检测
import tensorflow as tf
import numpy as np
import scipy.io as sio
f = open('Yale_64x64.mat','rb')
mdict = sio.loadmat(f)
# fea gnd; key value
train_data = mdict['fea']
train_label = mdict['gnd']
# 实现数据的无序排列
train_data = np.random.permutation(train_data)
train_label = np.random.permutation(train_label)
test_data = train_data[0:64]
test_label = train_label[0:64]
# 设置随机种子
np.random.seed(100)
test_data = np.random.permutation(test_data)
np.random.seed(100)
test_label = np.random.permutation(test_label)
加载数据，打乱随机标签和label值的划分。
# train [0-9] [10*N] [15*N] onehot [0 0 1 0 0 0 0 0 0 0] -> 2
# traindata进行处理 / 255完成归一化
train_data = train_data.reshape(train_data.shape[0],64,64,1).astype(np.float32)/255
train_labels_new = np.zeros((165,15))# 165 image 15人
for i in range(0,165):
j = int(train_label[i,0])-1 # 1-15 转换为 0-14
train_labels_new[i,j] = 1
test_data_input = test_data.reshape(test_data.shape[0],64,64,1).astype(np.float32)/255
test_labels_input = np.zeros((64,15))# 165 image 15
for i in range(0,64):
j = int(test_label[i,0])-1 # 1-15 0-14
test_labels_input[i,j] = 1
完成训练测试数据的维度处理。
cnn神经网络
tf.layer更简单
# cnn acc tf.nn tf.layer
data_input = tf.placeholder(tf.float32,[None,64,64,1])
label_input = tf.placeholder(tf.float32,[None,15])
layer1 = tf.layers.conv2d(inputs=data_input,filters=32,kernel_size=2,strides=1,padding='SAME',activation=tf.nn.relu)
layer1_pool = tf.layers.max_pooling2d(layer1,pool_size=2,strides=2)
layer2 = tf.reshape(layer1_pool,[-1,32*32*32])
layer2_relu = tf.layers.dense(layer2,1024,tf.nn.relu)
output = tf.layers.dense(layer2_relu,15)
loss = tf.losses.softmax_cross_entropy(onehot_labels=label_input,logits=output)
train = tf.train.GradientDescentOptimizer(0.01).minimize(loss)
accuracy = tf.metrics.accuracy(labels=tf.argmax(label_input,axis=1),predictions=tf.argmax(output,axis=1))[1]
run
# run acc
init = tf.group(tf.global_variables_initializer(),tf.local_variables_initializer())
with tf.Session() as sess:
sess.run(init)
for i in range(0,200):
train_data_input = np.array(train_data)
train_label_input = np.array(train_labels_new)
sess.run([train,loss],feed_dict={data_input:train_data_input,label_input:train_label_input})
acc = sess.run(accuracy,feed_dict={data_input:test_data_input,label_input:test_labels_input})
print('acc:%.2f',acc)
mark
本章小结
从样本收集到图片预处理。
FFmpeg opencv预处理只要人脸。
cnn训练
课程总结
- 计算机视觉入门
- opencv + TensorFlow
计算机视觉之TensorFlow: 手写数字识别
计算机视觉之TensorFlow: 刷脸识别
主要案例
mark
搭建使用两层神经网络
mark
特征 + 分类器
hog特征(行人检测) + 分类器
刷脸识别: 样本收集 + 预处理 + 神经网络搭建
- 基础知识 & 实战案例 & 论文分析+ 案例实战 + 算法优化
物体识别，位置。
mark
图片像素级别语义分析。
网友评论